اواخر آوریل سال گذشته میلادی - در حالی که جهان در هراس از ویروس کرونا و تبعات اقتصادی و اجتماعی آن به سر می‌برد- توجهات جهانی کم‏کم به یک چهره جوان که در حوزه تحلیل داده‌های کرونایی کار می‌کرد جلب شد و میلیون‌ها نفر روزانه به وب‌سایت او سر می‌زدند. حتی استادان دانشگاه‌های معتبر جهان مثل کارل برگستروم از دانشگاه واشینگتن هم مدل پیش‌بینی‌های طراحی‌شده توسط این جوان را تایید کردند. برگستروم در این‏باره نوشت: «خود من به اطلاعات به‌دست‌آمده از یادگیری ماشینی با دیده تردید نگاه می‌کنم، اما این بار پیش‌بینی‌های این جوان را قبول دارم.»

جوانی که درباره‌اش حرف می‌زنم ۲۷ ساله است و نامش یویانگ گو است. او فارغ‌التحصیل دانشگاه ام‌آی‌تی است و در مهندسی برق، علوم کامیپوتر و ریاضیات مدرک گرفته است. تا قبل از شروع پاندمی کرونا، او یک استارت‌آپ تحلیل داده‌ها برای پیش‌بینی نتیجه مسابقات ورزشی راه انداخته بود. اما وقتی بحران کرونا رخ داد او به این نتیجه رسید که از هرچه برای کارهای قبلی‌اش از جمله تحلیل داده‌های مالی (پیش‌بینی قیمت سهام) و ورزشی (پیش‌بینی نتیجه بازی‌‏ها) طراحی کرده بود می‌تواند برای تحلیل داده‌های متفاوتی مثل کرونا نیز استفاده کند. او تازه شروع به مطالعه درباره اپیدمیولوژی کرد تا مدلی برای پیش‌بینی حرکت بحران کرونا بسازد.

یویانگ گو متوجه شده بود که در الگوسازی پیش‌بینی بیماری‌های مسری هم از الگوی ریاضی استفاده می‌شود. الگویی که او برای پیش‌بینی پیشروی ابعاد مختلف بحران کرونا استفاده کرد، ترکیب یادگیری ماشینی با سیمولاتور (شبیه‌ساز) کلاسیک بیماری‌های واگیر به نام الگوی سیر (SEIR) بود. الگوی سیر از مجموعه‌ای از پارامترهای شبیه‌سازی‌شده استفاده می‌کند که متغیرهایی مثل نرخ بازتولید بیماری در میان بخشی از جمعیت و نیز زمان آغاز و پایان پیک‌های بیماری و ایمنی در آن دیده می‌شود و نرخ مرگ و میر بر اساس آن تعیین می‌شود. روش یادگیری ماشینی و تحلیل داده‌های یویانگ گو برای هر منطقه جغرافیایی با توجه به متغیرها پیش‌بینی‌هایی می‌کرد و سپس با مقایسه آنها با آمار واقعی از مرگ و میر روزانه کرونایی که توسط دانشگاه جانز هاپکینز منتشر می‌شد، خود را برای پیش‌بینی‌های بعدی تقویت می‌کرد.

پیش‌بینی‌های یویانگ گو بر این اساس چنان درست از آب درآمدند که او به تلویزیون سی‌ان‌ان دعوت شد تا مراحل کار تحلیل ماشینی داده‌ها را توضیح بدهد. الگوی او همچنین نشان داد که برخلاف نظر برخی از دانشمندان، قرار نیست تا سال ۲۰۲۱ به ایمنی گله‌ای کامل برسیم.

یویانگ گو البته حالا دیگر روی پیش‌بینی روزانه تلفات کرونا یا روند آن به صورت مشخص کار نمی‌کند و معتقد است که روشش بیشتر برای پیش‌بینی ماه‌های اولیه و میانی بحران کرونا ضروری بوده است. او حالا مشاور تکنیکی ارزیابی‌های سازمان بهداشت جهانی در مورد کرونا هم هست.

او به افرادی که قصد طراحی الگوریتم‌های مشابه پیش‌بینی بحران را دارند چند توصیه دارد: اول اینکه او معتقد است که برای بهبود عملکرد الگوهای پیش‌بینی لازم نیست از مجموعه بسیار متنوعی از داده‌های پیچیده استفاده شود. هرچه ساده‌تر و منطقی‌تر قدم بردارید نتایج بهتری از الگوهای پیش‌بینی می‌گیرید.

دوم اینکه لازم نیست حتما در حوزه مورد نظر متخصص باشید تا بتوانید برای آن الگوی پیش‌بینی طراحی کنید. نکته اصلی این است که مدل طراحی‌شده توسط شما بتواند فرضیات موجود در آن حوزه خاص را یاد بگیرد. خود یویانگ گو هم در حوزه اپیدمیولوژی سررشته‌ای نداشت اما آن را تحلیل کرد.

سوم اینکه در جریان بحران‌ها افراد زیادی ادعاهای زیادی مطرح می‌کنند و در اطلاعات زیادی دستکاری می‌شود. بنابراین هر روایتی که از بحران منتشر می‌شود ارزش استفاده ندارد. بلکه شما باید با آزمون و خطا به درستی یا نادرستی اطلاعاتی که استفاده کرده‌اید پی ببرید.

چهارم اینکه از اشتباهات خود درس بگیرید. به گفته یویانگ گو، فرضیات تا وقتی آزمایش نشده باشند ممکن است غلط دربیایند و مجموعه بزرگی از پیش‌بینی‌ها را بی‌ارزش کنند. بنابراین باید به صورت دائمی در حال اصلاح اشتباهات گذشته بود.

پنجم اینکه هرکس به طراحی الگوهای پیش‌بینی می‌پردازد باید به این نکته توجه داشته باشد که به هر چیز علمی هم باید به دیده شک و تردید نگریست. تا پیش از بحران کرونا شاید این حرف بسیار رادیکال به نظر می‌آمد؛ اما از آنجا که در این بحران هم نادرست‌بودن برخی فرضیه‌های علمی ثابت شد، بنابراین تابوی این قضیه باید شکسته شود. نباید در دام افراد مخالف علم افتاد؛ در عین حال اگر برخی یافته‌های علمی به نظر شما اشتباه می‌آیند و الگوی پیش‌بینی شما هم به دلیلی با آنها تطابق پیدا نمی‌کند، بهتر است موضوع را با ذهنی باز بررسی کنید تا ببینید کجای کار غلط است. همواره باید در زمینه پیش‌بینی‌ها به یاد داشت که هیچ‏کسی نمی‌تواند صددرصد درست حرف بزند. این روشی امروزی برای حرکت در دل یافته‌های علمی و دستیابی به نتایج ارزشمند در میان آنهاست.